边缘检测笔记---滤波器算法

什么是图像边缘？图像边缘被定义为图像局部特性的不连续。

边缘检测是图形图像处理、计算机视觉和机器视觉中的一个基本工具，通常用于特征提取和特征检测，旨在检测一张数字图像中有明显变化的边缘或者不连续的区域，在一维空间中，类似的操作被称作步长检测（step detection）。边缘是一幅图像中不同屈原之间的边界线，通常一个边缘图像是一个二值图像。边缘检测的目的是捕捉亮度急剧变化的区域，而这些区域通常是我们关注的。在一幅图像中两度不连续的区域通常是以下几项之一：

l        图像深度不连续处

l        图像（梯度）朝向不连续处

l        图像光照（强度）不连续处

l        纹理变化处

理想情况下，对所给图像应用边缘检测器可以得到一系列连续的曲线，用于表示对象的边界。因此应用边缘检测算法所得到的结果将会大大减少图像数据量，从而过滤掉很多我们不需要的信息，留下图像的重要结构，所要处理的工作即被大大简化。然而，从普通图片上提取的边缘往往被图像的分割所破坏，也就是说，检测到的曲线通常不是连续的，有一些边缘曲线段开，就会丢失边缘线段，而且会出现一些我们不感兴趣的边缘。这就需要边缘检测算法的准确性。

如下图所示图片：

        边缘检测算法基本都是基于微分的数学基础之上的。一般都是先对图像进行滤波处理，然后再进行阈值分割。由于一阶微分只需要使用一个滤波器就可以满足要求，因此一般使用一阶微分来读取边缘的。由于有的时候剖面上噪声太多，影响取图质量，所以要对剖面图的图像进行滤波处理。这里就涉及到两种卷积运算：一种是用于图像平滑处理的滤波器卷积计算；另一种则是用于对图像进行求导的滤波器卷积计算。

由于，所以我们一般只对滤波器算子进行微分再求卷积来得到平滑后的图像微分，从而获取边缘。

边缘滤波器选取有三个准则：

       一是边缘滤波器产生的输出信噪比要最大化，这样可以对一个边缘点的错检和漏检可能性要低；

       二是提取出来的位置方差要最小化，这样提取出来的边缘更靠近真正的边缘；

       三是提取出来的边缘位置之间的距离要最大化，这样边缘检测器对每个真正的边缘只返回唯一的一个边缘，可以避免多重响应。

一维边缘提取和二维边缘提取：

一维边缘提取

       一维边缘滤波器最好的是Canny滤波器（即高斯滤波器的一阶倒数）。即最理想的平滑滤波器是最理想的边缘滤波器的积分。

但是，由于高斯滤波器和它的导数不能以递归的方式来实现，所以又提出来Deriche滤波器。

Deriche平滑滤波器为：

Deriche边缘滤波器（即平滑滤波器的导数）为：

 

在图像质量相对较好的图像中，一般使用3X3边缘滤波器来检测边缘。

图像滤波处理：一般是使用水平和垂直方向模板来锐化图像。

水平方向一阶锐化模板为：

垂直方向一阶锐化模板为：

    

其中，当a=1时，为Prewitt滤波器；与sobel滤波器比起来，有一定的抗干扰能力，能抑制噪声的影响，图像效果比较干净。

         当a=时，为Frei滤波器；

         当a=2时，为Sobel滤波器；Sobel滤波器得到图像锐化信息较强，即锐化图像效果最为明显；

         当a=2.435101时，为Ando滤波器；

       使用边缘滤波，得到的边缘都是大于一个像素的轮廓，因此要对所得到的图像进行骨架化，从而得到比较清晰的边缘轮廓。有时候还需要进行非最大抑制处理

 

      这样，经过先对边缘幅度进行阈值分割，然后对分割出的区域进行骨架化处理，再进行菲最大抑制处理，一般就可得到清晰的边缘。但是，有时候我们选择高的阈值以保证只将相关边缘选出时，边缘通常被割裂成诺干段；另一方面，如果选择低的阈值以保证边缘不会断裂成一段一段时，我们最终的分割结果中又会包含很多不相关边缘。针对这种情况，Canny提出来一种特殊的阈值分割算法来分割边缘：滞后阈值分割。

       滞后阈值分割使用两个阈值----高阈值和低阈值。边缘幅度比高阈值大的那些点立即作为安全边缘点被接受。边缘幅度比低阈值小的那些点被立即剔除。边缘幅度在高阈值和低阈值之间的那些点按如下原则处理，只有在这些点能按某一路径和安全边缘点相连时，他们才作为边缘点被接受。组成这一路径的所有点的边缘幅度都比低阈值要大。我们也能把这个过程理解为，首先边缘幅度大于高阈值的所有边缘点，然后在边缘幅度大于低阈值的情况下尽可能延长边缘。